研究人员开发了SALTO,一个基于Koopman理论的用于推断非线性系统中有限幅度源的新颖框架。该方法通过允许使用单个、可重用的提升伴随算子来预测测量对一系列扰动的响应,从而改进了传统的伴随技术。SALTO通过将学习到的动力学锚定到模拟器的线性化传播器并施加结构约束来确保大小幅度变化都准确,从而实现这一点。在三个非线性偏微分方程系统上进行测试,SALTO在预测源测量和恢复源特征方面表现出显著的改进,为传统求解器提供了一种更具成本效益的替代方案。 AI
影响 通过提高推断系统参数的准确性和效率,增强了科学决策和逆问题中的能力。
排序理由 这是一篇详细介绍非线性事件推理新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- Koopman
- partial differential equation
- SALTO
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →